基于之前和之后单词的python单词分组

Question

我正在尝试创建单词组。 首先，我数所有单词。 然后按字数确定前10个字。 然后，我想基于前10个单词创建10个单词组。每个组由位于该顶部单词之前和之后的所有单词组成。

我将调查结果存储在这样的python pandas数据框中

Question_ID | Customer_ID | Answer
  1           234         Data is very important to use because ... 
  2           234         We value data since we need it ... 

我还将答案列另存为字符串。

我正在使用以下代码在一个单词之前和之后找到3个单词（实际上我必须在“答案”列中创建一个字符串）

answers_str = df.Answer.apply(str)
for value in answers_str:
   non_data = re.split('data|Data', value)
   terms_list = [term for term in non_data if len(term) > 0] # skip empty terms
   substrs = [term.split()[0:3] for term in terms_list]  # slice and grab first three terms
   result = [' '.join(term) for term in substrs] # combine the terms back into substrings
   print result

我一直在手动创建单词组-但是在python中有办法吗？

因此，根据上面显示的示例，带有字数统计功能的组如下所示：

group "data": 
              data : 2
              important: 1
              value: 1
              need:1

然后，当遍历整个文件时，将出现另一组：

group "analytics:
              analyze: 5
              report: 7
              list: 10
              visualize: 16

这个想法也是要摆脱“我们”，“到”，“是”-但如果不可能的话，我可以手动完成。

然后建立10个最常用的单词（按单词计数），然后创建10个单词组，这些单词在最主要的前10个单词的前面和后面。

Answer 1

我们可以为此使用正则表达式。 我们将使用此正则表达式

((?:\b\w+?\b\s*){0,3})[dD]ata((?:\s*\b\w+?\b){0,3})

您可以在此处进行自我测试，以提取每次出现数据前后的三个词

首先，让我们从字符串中删除所有我们不喜欢的单词。

import re

#    If you're processing a lot of sentences, it's probably wise to preprocess
#the pattern, assuming that bad_words is the same for all sentences
def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)

我们要获取每行中围绕数据的单词

data_pat = r'((?:\b\w+?\b\s*){0,3})[dD]ata((?:\s*\b\w+?\b){0,3})'
res = re.findall(pat, s, flags=re.IGNORECASE)

给我们一个字符串元组列表。 我们希望在拆分后获得这些字符串的列表。

from itertools import chain
list_of_words = list(chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res))))))

那不是很漂亮，但是可以。 基本上，我们将元组从列表中拉出，将字符串从每个元组中拉出，然后拆分每个字符串，然后将所有字符串从列表中拉出，最后将它们分成一个大列表。

让我们将其与您的pandas代码放在一起。 pandas不是我最擅长的领域，所以如果您看到怪异的事物，请不要以为我没有犯一些基本的错误。

import re
from itertools import chain
from collections import Counter    

def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)

bad_words = ['we', 'is', 'to']
sentence_list = df.Answer.apply(lambda x: remove_words(str(x), bad_words))
c = Counter()
data_pat = r'((?:\b\w+?\b\s*){0,3})data((?:\s*\b\w+?\b){0,3})'
for sentence in sentence_list:
    res = re.findall(data_pat, sentence, flags=re.IGNORECASE)
    words = chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res)))))
    c.update(words)

关于我们使用的正则表达式的好处是，所有复杂的部分都不关心我们使用的是什么单词。 稍作更改，我们就可以制作格式字符串

base_pat = r'((?:\b\w+?\b\s*){{0,3}}){}((?:\s*\b\w+?\b){{0,3}})'

这样

base_pat.format('data') == data_pat

因此，通过一些单词列表，我们希望收集有关key_words信息

import re
from itertools import chain
from collections import Counter    

def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)


bad_words = ['we', 'is', 'to']

sentence_list = df.Answer.apply(lambda x: remove_words(str(x), bad_words))

key_words = ['data', 'analytics']
d = {}

base_pat = r'((?:\b\w+?\b\s*){{0,3}}){}((?:\s*\b\w+?\b){{0,3}})'
for keyword in key_words:
    key_pat = base_pat.format(keyword)
    c = Counter()
    for sentence in sentence_list:
        res = re.findall(key_pat, sentence, flags=re.IGNORECASE)
        words = chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res)))))
        c.update(words)
    d[keyword] = c

现在，我们有了一个字典d ，它将data和analytics类的关键字映射到Counter ，将不在我们的黑名单上的单词映射到它们在相关关键字附近的计数。 就像是

d= {'data'      : Counter({ 'important' : 2,
                            'very'      : 3}),
    'analytics' : Counter({ 'boring'    : 5,
                            'sleep'     : 3})
   }

至于如何获得前10个字，基本上这是Counter最擅长的事情。

key_words, _ = zip(*Counter(w for sentence in sentence_list for w in sentence.split()).most_common(10))